Nvidia OpenCodeReasoning Nemotron 14B GGUF

🚀 NVIDIA OpenCodeReasoning - Nemotron - 14B的Llamacpp imatrix量化版本

本項目是對NVIDIA的OpenCodeReasoning - Nemotron - 14B模型進行的Llamacpp imatrix量化。它能讓模型在不同硬件條件下更高效地運行，滿足多樣化的使用需求。

🚀 快速開始

使用 llama.cpp 的 b5306 版本進行量化。 原始模型：[https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B](https://huggingface.co/nvidia/OpenCodeReasoning - Nemotron - 14B) 所有量化模型均使用imatrix選項，並採用 此處 的數據集。 你可以在 LM Studio 中運行這些量化模型，也可以直接使用 llama.cpp 或任何基於llama.cpp的項目來運行。

✨ 主要特性

• 多量化類型：提供了多種量化類型，如bf16、Q8_0、Q6_K_L等，滿足不同的性能和質量需求。
• 在線重打包：部分量化模型支持在線重打包，可在ARM和AVX機器上提高性能。
• 靈活選擇：用戶可以根據自身硬件條件和需求，選擇合適的量化模型。

📦 安裝指南

安裝huggingface - cli

首先，確保你已安裝huggingface - cli：

pip install -U "huggingface_hub[cli]"

下載特定文件

你可以指定要下載的特定文件：

huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q4_K_M.gguf" --local-dir ./

下載拆分文件

如果模型大於50GB，它會被拆分為多個文件。要將它們全部下載到本地文件夾，請運行：

huggingface-cli download bartowski/nvidia_OpenCodeReasoning-Nemotron-14B-GGUF --include "nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0/*" --local-dir ./

你可以指定一個新的本地目錄（如nvidia_OpenCodeReasoning-Nemotron-14B-Q8_0），也可以將它們全部下載到當前目錄（./）。

💻 使用示例

基礎用法

提示格式

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

📚 詳細文檔

量化文件下載

嵌入/輸出權重

部分量化模型（如Q3_K_XL、Q4_K_L等）採用標準量化方法，將嵌入和輸出權重量化為Q8_0，而非默認值。

ARM/AVX信息

以前，你會下載Q4_0_4_4/4_8/8_8，這些模型的權重會在內存中交錯排列，以便在ARM和AVX機器上通過一次加載更多數據來提高性能。 現在，有了所謂的權重“在線重打包”功能，詳情見 此PR。如果你使用Q4_0，並且你的硬件能從權重重打包中受益，它將自動即時進行重打包。 從llama.cpp構建 b4282 開始，你將無法運行Q4_0_X_X文件，而需要使用Q4_0。 此外，如果你想獲得稍好的質量，可以使用IQ4_NL，感謝 此PR，它也會為ARM重打包權重，不過目前僅適用於4_4。加載時間可能會更長，但總體速度會提高。

如何選擇文件

首先，你需要確定你能運行多大的模型。為此，你需要了解你有多少RAM和/或VRAM。

• 追求極致速度：如果你希望模型儘可能快地運行，你需要將整個模型放入GPU的VRAM中。選擇文件大小比GPU總VRAM小1 - 2GB的量化模型。
• 追求極致質量：如果你想要絕對最高的質量，將系統RAM和GPU的VRAM相加，然後選擇文件大小比該總和小1 - 2GB的量化模型。 接下來，你需要決定是使用“I - 量化”還是“K - 量化”。
• 簡單選擇：如果你不想考慮太多，選擇K - 量化模型。這些模型的格式為“QX_K_X”，如Q5_K_M。
• 深入選擇：如果你想深入瞭解，可以查看這個非常有用的功能圖表：[llama.cpp feature matrix](https://github.com/ggerganov/llama.cpp/wiki/Feature - matrix)。 一般來說，如果你目標是Q4以下的量化，並且你使用的是cuBLAS（Nvidia）或rocBLAS（AMD），你應該考慮I - 量化模型。這些模型的格式為IQX_X，如IQ3_M。它們是較新的模型，在相同大小下提供更好的性能。 I - 量化模型也可以在CPU上使用，但比同等的K - 量化模型慢，因此你需要在速度和性能之間做出權衡。

🔧 技術細節

在線重打包性能提升

以AVX2系統（EPYC7702）上的基準測試為例：

Q4_0_8_8在提示處理方面有顯著提升，在文本生成方面有小幅提升。

📄 許可證

本項目採用Apache - 2.0許可證。

致謝

感謝kalomaze和Dampf協助創建imatrix校準數據集。 感謝ZeroWw提供關於嵌入/輸出實驗的靈感。 感謝LM Studio贊助本項目。 如果你想支持我的工作，請訪問我的ko - fi頁面：[https://ko - fi.com/bartowski](https://ko - fi.com/bartowski)